基于客服会话的客户购物意愿预测模型研究与应用

发布时间：2021-02-04 10:31

　　随着互联网的发展,电子商务正在逐步取代传统的零售业,在线购物已成为大众生活的一部分,商家的服务中心开始由商品转向客户。如何利用有限的时间,与客户有效沟通,了解客户需求,尽量激发客户的购物意愿,是商家提高竞争力的重要手段。在大多数网络购物场景中,客户往往希望对商品的咨询得到及时的解答,否则很可能转向其他商家。因此,在海量客服会话数据中,实时挖掘出具有潜在购物意愿的客户（潜在购物客户）,以对其提供重点服务,对于提升客服效率和企业效益非常重要。目前,基于客户历史行为（历史购买记录、浏览记录等）预测客户购物意愿的研究较多,而基于客服会话实现在线预测的研究很少。相对于后者,基于客户历史行为的预测模型存在以下主要不足:（1）实时性差;（2）难以对新客户的购物意愿做出准确判断;（3）老客户的每次客服咨询不一定都具有购物意愿;（4）客户对于具体商品的购物意愿经常会转移;（5）基于客服会话实时预测客户的购物意愿,是智能客服的关键功能之一。为此,本文基于电子商务平台的实时客服会话数据,研究如何构建客户购物意愿在线预测模型,实现潜在购物客户的实时挖掘,其主要工作包括:（1）基于某省电信公司微信营业厅在线预测... 

【文章来源】：南昌大学江西省 211工程院校

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

图２．１?Ｔｒａｎｓｆｏｒｍｅｒ模型结构图??８??

?第２章相关理论与技术???ｎ??ａｊ?—?＾?ｔａｎｈ（／ｉｊ?＊?Ｕ?＋?Ｂ）?＊?Ｋ７?（２．８）??ｉ＝０??［ａ０，?ｃｔ１｝．．．；?ｄｎ＼?＝?ＳｏｆｔＭａｘ（［ａ０＞?ａｌｔ．．．；?ａｎ］）?（２．９）??ｅｘ?一?ｅ－ｘ??ｔａｎｈ（ｘ）?＝?—（２．１０）??ｅｘ?＋?ｅ?Ｘ??ｓｔｅｐ３－对输入信息进行加权求和，得到注意力信息Ｃ。??ｎ??Ｃ?＝?＾?ｈｉ?＊?ａｉ?（２．１１）??ｉ＝ｌ??其计算流程如图Ｚ６所示。??０．５?Ｑｌ?０．５＾?０．５?尚?０．５?如，??Ａ?Ａ?Ａ??ｓｏｆｔｍａｘ??４?Ａ?Ａ?Ａ??ａ〇?Ｏ－ｌ?Ｑ〇?ａｐ??ｈ１?—＞?ｈ２?—？?ｈ３?—？?ｈ４??＿－ｊ－?Ｔ?￣￣Ｔ￣￣??购买?流量?加速?包??图２．６?Ａｔｔｅｎｔｉｏｎ算法计算流程??２．３?Ｂｉ?ＬＳＴＭ??２．３．１?ＬＳＴＭ??ＬＳＴＭ全称为Ｌｏｎｇ?ｓｈｏｒｔ－ｔｅｒｍ?ｍｅｍｏｒｙ，中文名叫长短期记忆，在１９９７年由??１４??

?第２章相关理论与技术???Ｓｅｐｐ?Ｈｏｃｈｒｅｉｔｅｒ和ＪＵｒｇｅｎ?Ｓｃｈｍｉｄｈｕｂｅｒ首次提出，它是一种递归神经网络（ＲＮＮ?），??在计算时把之前输出的作为输入的一部分，然后与下一次输入一起输入到神经??网络中，把先前的输入信息保留以备后续使用。ＲＮＮ适用于预测词与信息间隔??较小的情况，当预测信息比较复杂而且间隔比较大时，需要用ＬＳＴＭ具有长短??期记忆的算法来计算，可以根据上下文的语义信息，解决长期依赖问题。在ＬＳＴＭ??是通过三“门”进行计算的，分别为遗忘门、输入门和输出门。结构中有一个??Ｓｉｇｍｏｉｄ神经网络层，作用是把输出的结果控制在［０－１］之间，用这种方式表示有??多少信息量通过，０表示没有信息通过，１表示信息全部通过。??？?？?０???Ｌ??Ｌ??Ｌ??＾??Ａ?林本ｄｌ?Ａ?＿??图２．７?ＬＳＴＭ模型图??１、遗忘门??ＬＳＴＭ中的遗忘门是决定哪些信息需要被舍弃的，用概率来决定上一层有多??少信息被遗忘，数学公式如下。??／ｔ?＝?ｏ｛Ｗｆ?＊?［ｈｔ＿ｖｘｔ］?＋?ｂｆ）?（２．１２）??其中／Ｖｌ表示上一层输入，＆表示本序列输入，ｆＳＳｉｇｍｏｉｄ激活函数，输??入结果在［０－１］之间％和力代表线性关系的系数，输出结果１表示遗忘上一层??信息的概率。??１５??


本文编号：3018167